.jpg){kind=link}
- 每位选手的比赛场次都很少：模型必须简单而谦逊。
- 路径永远相同：概率 → 公平赔率 → 与赔率比较 → 价值。
- Gambeta目前不会定期发布拳击或UFC的推荐：这是一份让你自己建模的指南。
收藏这份指南：它篇幅很长，最好一步一步照着做，并在旁边打开一张表格。
你的进度保存在此浏览器中。
能用机器学习给一场比赛建模吗？
可以建模，但有非常明确的局限。
拳击和综合格斗（MMA）都是接触型运动。
一记重拳就可能结束一场原本势均力敌的比赛。
这给每个结果带来了很大的方差。
而且数据很少。
一名足球运动员每年踢50场比赛。
一名拳击手一年打两三场。
UFC选手通常一年也只打两三场。
机器学习需要大量样本才能学到可靠的规律。
在这里样本很少，对手不断变化，风格之间的碰撞方式也各不相同。
所以一个好的比赛模型要简单、审慎，而且始终是不确定的。
本文是一份学习建模的指南。
Gambeta目前不会定期发布拳击或UFC的推荐。
你在这里能得到的是工具和方法，让你自己去推理。
给比赛建模时该看哪些变量
模型就是一份变量清单，每个变量配一个权重。
以下是拳击和MMA中最常用的几项。
表格说明了每一项能提供什么，以及它有什么陷阱。
| 变量 | 能提供什么 | 陷阱 |
|---|---|---|
| 年龄 | 身体衰退与反应 | 每个人的身体衰老方式不同 |
| 臂展 | 距离与对拳台的控制 | 如果风格是近身缠斗，它的价值会降低 |
| 近期战绩 | 最近的状态 | 取决于他赢的是谁 |
| 风格 | 与对手的碰撞方式 | 很难用一个数字表示 |
| KO记录 | 重拳与抗击打能力 | 场次少，噪声大 |
| 体重与降重 | 上称时的状态 | 外人几乎从来不知道 |
年龄、臂展和近期战绩：可以衡量的部分
年龄、臂展和身高都是公开的。
很容易录入表格。
所以所有自制模型都从这里开始。
问题是，所有投注者也都能看到它们。
如果一个变量是公开的，赔率就已经把它计算在内了。
价值出现在市场衡量得最差的地方。
在比赛里，通常就是此前对手的真实水平。
风格与对手水平：最难处理的部分
五连胜如果没有背景，什么也说明不了。
对弱旅的五场胜利，不如对顶级对手的两场失利。
好的模型会按每个对手的质量来调整战绩。
风格同样重要。
压迫型选手对上反击型选手，和对上拉开距离型选手，表现是不一样的。
把它变成一个数字很难，信息就是在这里流失的。
为什么数据少而方差大
在团体运动里，一个失误会被90分钟稀释。
在一场格斗里，两秒钟的失误就可能决定一切。
这使得最强的选手赢的次数比看上去要少。
对你有两个后果。
第一：一个好的模型也会输掉很多本来值得投的注。
第二：一段短期的战绩，无论好坏，几乎不能说明模型的任何问题。
如果想深入了解需要多少次投注才能得出结论，请读需要多少次投注才能知道你是否在赢。
它是后面一切内容的基础。
哪些市场可以建模：胜负、方式和回合
一场比赛有三个主要市场。
每个市场的难度不同。
| 市场 | 结果 | 难度 |
|---|---|---|
| 胜负 | 两种（有时有平局） | 中等：最容易建模 |
| 方式 | KO、判定、其他 | 高：样本被拆分 |
| 回合 | 高于或低于一条盘口线 | 高：取决于节奏和裁判 |
永远从胜负开始。
它的类别更少，示例比赛更多。
等胜负模型管用了，再去尝试方式和回合。
如何从模型得到概率
最简单的方式是积分系统。
每位选手都有一个水平分，赢了就上升，输了就下降。
战胜强对手比战胜弱对手加分更多。
分差可以用一个知名的公式转换成概率。
它和国际象棋用的是同一个。
叫作Elo系统。
示例：分差100分时，Elo系统给较强者64.0%。
换算成公平赔率，就是1.56。
这些数字是为了理解方法而设的示例，不属于任何真实选手。
Elo只是一个起点。
之后你可以加入调整：年龄、臂展、风格。
每个调整对概率的改动要小，而不是大。
谦逊的技巧：把概率拉向50%
数据少时，你给出的极端概率几乎总是夸大的。
一个简单的技术是把你的估计与50%的中性值混合。
这叫收缩，它能降低过度自信。
示例：你的模型说70%，你给中性的50%一半的权重。
最终概率为60%。
这样更审慎，而且在小样本下往往表现更好。
从概率到公平赔率和价值
公平赔率是1除以概率。
如果你估计是62%，公平赔率就是1.61。
如果博彩公司的赔率比这个高，就存在表面上的价值。
期望值（EV）衡量你每投入一个单位平均能赚多少。
计算方法是概率乘以赔率，再减去1。
| 数据（示例） | 计算 | 结果 |
|---|---|---|
| 概率62%，赔率1.80 | 0.62 × 1.80 − 1 | EV +11.6% |
| 概率58%，赔率1.80 | 0.58 × 1.80 − 1 | EV +4.4% |
| 概率58%，赔率1.70 | 0.58 × 1.70 − 1 | EV −1.4% |
看看会发生什么。
概率上相差四个百分点，就把EV从11.6%变成了4.4%。
一个小小的模型误差，几乎抹掉了全部价值。
你可以用期望值计算器做这些计算。
如果不记得公平赔率是什么，请回顾隐含概率。
.jpg){kind=link}
当心利润率：博彩公司预先收费
博彩公司的赔率对应的概率加起来不等于100%。
会多出一点。
这个多出来的部分就是利润率，它是你从价值里首先要扣掉的东西。
示例：一场比赛赔率为1.80和2.05。
隐含概率加起来是104.34%，也就是利润率4.34%。
去掉利润率后，市场会说53.2%和46.8%。
如果你的模型给热门的概率是52%，而去掉利润率的市场是53.2%，就没有优势。
1.80的赔率只是看上去诱人。
更多细节见什么是博彩公司利润率。
获胜方式与回合：类别更多，数据更少
方式被分成几个类别。
通过KO或TKO获胜、通过判定、通过降服（在MMA中），或者对手被取消资格。
每个类别的样本都非常少。
它是按链条建模的。
先是获胜的概率。
然后，在这个胜利之内，再分配获胜的方式。
示例：热门选手获胜的概率为62%。
在这些胜利中，40%是KO或TKO。
通过KO获胜的概率：24.8%，公平赔率4.03。
如果博彩公司给4.00，EV是−0.8%。
几乎没有价值，尽管赔率看上去很高。
赔率越诱人，就越容易让人相信有便宜可占。
回合的建模方式相同。
先是比赛在盘口线之前结束的概率。
它取决于节奏、抗击打能力，以及这场比赛有几个回合。
如何用很少的比赛评估一个模型
这是最难的一点。
只有五到十场比赛，你无法知道你的模型好不好。
你可能只是运气好，却以为自己猜中了方式。
置信区间帮你看清这个风险。
它是在你已测量的数据下，你的真实命中率可能落在的范围。
| 样本（示例） | 命中 | 合理范围 |
|---|---|---|
| 8场比赛 | 8中6（75%） | 41%到93% |
| 80场比赛 | 80中60（75%） | 65%到83% |
两行的命中率都是75%。
在8场比赛里，真实值可能低到41%，是一个平庸的结果。
在80场比赛里，范围就缩小了很多。
更好的评估方式是Brier分数。
它衡量你的概率离结果有多远，而不仅仅是你猜没猜中。
越接近0越好。
示例：五场比赛的概率分别为70%、60%、65%、80%和55%，Brier分数为0.203。
一直说50%则是0.250。
样本这么少，这个差距仍然只是噪声。
两条实用规则。
第一：每个概率都在比赛之前保存，绝不在事后。
第二：不要因为一个结果就修改模型。
任何模型都不容易看到的偏差
有些东西非常重要，却不在任何数据库里。
它们是任何比赛模型的盲点。
- 隐藏的伤病：选手可能带着受伤的手或膝盖上场，而没人说起。
- 降重：几天内大幅减重，可能让他在比赛当天没有力气。
- 主场与裁判：在胶着的判定中，地点和裁判可能让结果倾斜。
- 最后一刻的变化：替补对手、取消的比赛、变更的级别。
- 过时的数据：三年前的选手并不总是今天的那个人。
面对这些盲点，模型必须审慎。
如果一场比赛的未知因素太多，最稳妥的决定可能就是不投注。
.jpg){kind=link}
如果发现了价值，投多少：审慎的注码
发现价值并不能告诉你投多少。
凯利准则根据你认为自己拥有的优势，计算资金的一个比例。
问题在于，它取决于你的概率是否正确。
示例：概率62%，赔率1.80。
完整凯利建议投入资金的14.5%。
四分之一凯利就是3.6%，对于一个不确定的模型来说合理得多。
对于数据少的模型，永远使用凯利的一个比例。
在凯利计算器里试一试并比较。
每场比赛设一个固定上限也有帮助。
分步操作：在表格里搭建你的第一个比赛模型
如果你希望由AI帮你写表格的代码，请看如何创建并训练你自己的投注AI。
同样的方法对你也适用。
Gambeta做什么，不做什么
说得明白一点。
Gambeta目前不会定期发布拳击或UFC的推荐。
我们不会向你提供我们没有的东西。
你可以使用的有：
价值、凯利和利润率的免费计算器，以及Jornal 投注日报，用来看自有模型如何推理其他运动。
我们发布的一切都留存在公开战绩里。
如果你对价值方法感兴趣，它的基础在任何运动里都是一样的。
请读value betting，然后打开表格回到这份指南。
结语：建模是学习，不是稳赢
给一场比赛建模，会迫使你思考得更好。
它让你看到你知道什么、假设什么、忽略什么。
这才是这个练习真正的价值。
模型不保证任何事。
在接触型运动里，方差极大，样本很小。
如果你投注，请设一个固定上限，并且不要追赶亏损。
本内容仅限18岁以上成年人。
如果你觉得自己失去了控制，请读负责任地投注。
要沿着这套文章的阶梯继续，下一步自然是用AI做投注完整指南。
常见问题
能用AI预测拳击或UFC比赛吗？
能估计概率，但不能预测结果。
一场比赛可能因为一记重拳而改变。
好的模型给你一个概率区间，并帮你判断赔率值不值得。
比赛中哪些变量最重要？
没有哪一个是唯一的。
最常用的是年龄、臂展、近期战绩、此前对手的水平、风格，以及他们比赛的结束方式。
没有哪个单独就够：它们要组合起来并经过检验。
需要多少场比赛才能相信一个模型？
比任何一位选手拥有的场次都多得多。
只评估8到10场比赛，结果可能只是运气。
稳妥的做法是用几百场比赛来衡量，并对任何短期的连胜保持怀疑。
应该先给哪个市场建模？
胜负，因为它只有两种结果，样本也更多。
方式和回合更难：它们被分成更多类别，每一类的数据都更少。
Gambeta会发布拳击或UFC的推荐吗？
目前不会定期发布。
Gambeta的推荐集中在其他运动和市场上。
我们提供的是计算价值、利润率和注码的免费工具，以及让你看到自有模型如何推理的Jornal 投注日报。
模型能保证我赢吗？
不能。
模型只是整理不确定性。
它可能是错的，而且博彩公司的利润率对你不利。
只用你输得起的钱下注，并且只有年满18岁才可以。